La IA acelera diez veces el diseño de fármacos para el Parkinson

Los investigadores han utilizado técnicas de inteligencia artificial para acelerar enormemente la búsqueda de tratamientos para la enfermedad de Parkinson.

Los investigadores, de la Universidad de Cambridge, diseñaron y utilizaron una estrategia basada en inteligencia artificial para identificar compuestos que bloquean la agregación de la alfa-sinucleína, la proteína que caracteriza el Parkinson.

El equipo utilizó técnicas de aprendizaje automático para examinar rápidamente una biblioteca química que contenía millones de entradas e identificó cinco compuestos muy potentes para una mayor investigación.

El Parkinson afecta a más de seis millones de personas en todo el mundo, y se prevé que esa cifra se triplique para 2040. Actualmente no hay tratamientos modificadores de la enfermedad disponibles. El proceso de selección de grandes bibliotecas químicas en busca de candidatos a fármacos (lo que debe realizarse mucho antes de que se puedan probar tratamientos potenciales en pacientes) consume mucho tiempo y es costoso, y a menudo no tiene éxito.

Utilizando el aprendizaje automático, los investigadores pudieron acelerar diez veces el proceso de detección inicial y reducir el costo mil veces, lo que podría significar que los tratamientos potenciales para el Parkinson lleguen a los pacientes mucho más rápido. El resultados se informan en la revista Naturaleza Química Biología.

El Parkinson es la enfermedad neurológica de más rápido crecimiento en todo el mundo. En el Reino Unido, una de cada 37 personas vivas hoy será diagnosticada con Parkinson a lo largo de su vida. Además de los síntomas motores, el Parkinson también puede afectar el sistema gastrointestinal, el sistema nervioso, los patrones de sueño, el estado de ánimo y la cognición, y puede contribuir a una calidad de vida reducida y una discapacidad significativa.

Las proteínas son responsables de importantes procesos celulares, pero cuando las personas padecen Parkinson, estas proteínas se vuelven rebeldes y provocan la muerte de las células nerviosas. Cuando las proteínas se pliegan mal, pueden formar grupos anormales llamados cuerpos de Lewy, que se acumulan dentro de las células cerebrales impidiéndoles funcionar correctamente.

«Una ruta para buscar tratamientos potenciales para el Parkinson requiere la identificación de pequeñas moléculas que puedan inhibir la agregación de alfa-sinucleína, que es una proteína estrechamente asociada con la enfermedad», dijo el profesor Michele Vendruscolo del Departamento de Química Yusuf Hamied, quien dirigió la investigación. «Pero este es un proceso que requiere mucho tiempo; simplemente identificar un candidato principal para realizar más pruebas puede llevar meses o incluso años».

Si bien actualmente se están realizando ensayos clínicos para el Parkinson, no se ha aprobado ningún fármaco modificador de la enfermedad, lo que refleja la incapacidad de atacar directamente las especies moleculares que causan la enfermedad.

Esto ha sido un obstáculo importante en la investigación del Parkinson, debido a la falta de métodos para identificar los objetivos moleculares correctos y colaborar con ellos. Esta brecha tecnológica ha obstaculizado gravemente el desarrollo de tratamientos eficaces.

El equipo de Cambridge desarrolló un método de aprendizaje automático en el que se analizan bibliotecas químicas que contienen millones de compuestos para identificar pequeñas moléculas que se unen a los agregados de amiloide y bloquean su proliferación.

Luego se probó experimentalmente un pequeño número de compuestos de primer nivel para seleccionar los inhibidores de agregación más potentes. La información obtenida de estos ensayos experimentales se devolvió al modelo de aprendizaje automático de manera iterativa, de modo que después de algunas iteraciones, se identificaron compuestos muy potentes.

«En lugar de realizar pruebas de detección experimentalmente, las realizamos computacionalmente», dijo Vendruscolo, codirector del Centro de Enfermedades de Plegado Erróneo. «Al utilizar el conocimiento que obtuvimos de la evaluación inicial con nuestro modelo de aprendizaje automático, pudimos entrenar el modelo para identificar las regiones específicas de estas pequeñas moléculas responsables de la unión, luego podemos volver a examinar y encontrar moléculas más potentes».

Utilizando este método, el equipo de Cambridge desarrolló compuestos para atacar las bolsas en las superficies de los agregados, que son responsables de la proliferación exponencial de los propios agregados. Estos compuestos son cientos de veces más potentes y mucho más baratos de desarrollar que los descritos anteriormente.

«El aprendizaje automático está teniendo un impacto real en el proceso de descubrimiento de fármacos: está acelerando todo el proceso de identificación de los candidatos más prometedores», afirmó Vendruscolo. «Para nosotros, esto significa que podemos comenzar a trabajar en múltiples programas de descubrimiento de fármacos, en lugar de solo uno. Es mucho lo que es posible gracias a la reducción masiva tanto en tiempo como en costo; es un momento emocionante».